一种基于阵列因子特征的伪目标辐射源判别方法及系统

1.本发明属于阵列信号处理和源定位领域，更具体地，涉及一种基于阵列因子特征的伪目标辐射源判别方法及系统。


背景技术：

2.射频干扰是影响星载/机载遥感数据科学性与实用性的重要因素，会制约地球物理参数反演、微波成像、目标探测等遥感应用与发展。不论是通过国际电联与地方管理部门协调以关闭非法目标辐射源，还是直接对受污染的遥感数据进行处理来缓解射频干扰影响，通常都需要利用辐射源的位置信息。
3.现有技术中，目前已有的目标辐射源检测方法存在诸多缺陷，如强弱源混合无法检测与定位、邻近干扰源分辨率不足、位置聚集源检测无法检测与定位等。尤其是在强弱源混合的情况下，对于伪目标辐射源的定位，判别与处理是亟待解决的问题，例如现有的rfi检测算法通常设定阈值作为判决标准，这种方式无法检测出假阳性点且会掩盖弱源，精测精度不高。


技术实现要素：

4.针对现有技术的缺陷和改进需求，本发明提供了一种基于阵列因子特征的伪目标辐射源判别方法及系统，其目的在于在强弱源混合的情况下，筛选出伪目标辐射源，提升检测的精度。
5.为实现上述目的，按照本发明的一个方面，提供了一种基于阵列因子特征的伪目标辐射源判别方法，包括：
6.重建目标辐射源的图像；
7.遍历重建图像中的每个像素点，确定所述重建图像中每个源点的极大值及其所在位置，将所述极大值所在的位置视为该源点的位置，构建每个源点到其它源点的距离矩阵d；
8.建立多天线阵列因子模型图；
9.在阵列因子模型图上，确定在一定误差范围内的相对强度最大的旁瓣点，将所述旁瓣点作为可疑源点，确定所述可疑源点在模型中的位置信息和分布特征；并根据所述位置信息以及主瓣在模型中的位置信息计算所述可疑源点到主瓣的距离d
t
，t为正整数；
10.在所述重建图像上，针对每个d
t
，遍历所述距离矩阵d中的每一列，标记距离在d
t
的误差范围内的源点为该源点的可疑源点；
11.统计每个源点对应的可疑源点的分布特征，当所述分布特征与在阵列因子模型中的分布特征一致时，确定所述可疑源点为该源点对应的伪目标辐射源点，得到伪目标辐射源点的定位结果。
12.进一步地，通过获取多天线原始稀疏阵列的差相关阵列difference coarray，根据差相关阵列difference coarray的分布构建所述多天线阵列因子模型图。
13.进一步地，采用凸优化算法来获取重建后的目标辐射源的图像。
14.进一步地，重建目标辐射源的图像的步骤包括：
15.步骤s1、获取多天线原始稀疏阵列的协方差矩阵，对所述协方差矩阵冗余平均和矢量化来构建原始稀疏阵列的差相关阵列difference coarray信号接收模型；
16.步骤s2、以原始稀疏阵列的差相关阵列difference coarray和目标辐射源空域稀疏特性为约束条件，将目标辐射源的来波方向划分为网络，得到过完备字典；
17.步骤s3、基于所述过完备字典，将步骤s1中的模型拓展为基于difference coarray的目标辐射源稀疏重建模型；
18.步骤s4、采用重加权l1范数算法求解上述模型，得到重建目标辐射源的图像。
19.进一步地，所述重加权l1范数算法中，第k+1次解矢量的第m个元素的计算权重为：
[0020][0021]
其中，表示划分的网络，k为迭代次数，∈表示算法稳健性的正参数。
[0022]
进一步地，得到伪目标辐射源点的定位结果后，还包括对伪目标辐射源点完全衰减或部分衰减。
[0023]
按照本发明的另一个方面，提供了一种基于阵列因子特征的伪目标辐射源判别系统，包括：
[0024]
目标辐射源的图像重建模块，用于重建目标辐射源的图像；
[0025]
距离矩阵构建模块，用于遍历重建图像中的每个像素点，确定所述重建图像中每个源点的极大值及其所在位置，将所述极大值所在的位置视为该源点的位置，构建每个源点到其它源点的距离矩阵d；
[0026]
多天线阵列因子模型构建模块，用于建立多天线阵列因子模型图；
[0027]
可疑源点在模型图上的位置确认模块，用于在阵列因子模型图上确定在一定误差范围内的相对强度最大的旁瓣点，将所述旁瓣点作为可疑源点，确定所述可疑源点在模型中的位置信息和分布特征；并根据所述位置信息以及主瓣在模型中的位置信息计算所述可疑源点到主瓣的距离d
t
，t为正整数；
[0028]
可疑源点在重建图像上的位置确认模块，用于在所述重建图像中，针对每个d
t
，遍历所述距离矩阵d中的每一列，标记距离在d
t
的误差范围内的源点为该源点的可疑源点；
[0029]
伪目标辐射源点确定模块，统计每个源点对应的可疑源点的分布特征，当所述分布特征与在阵列因子模型中的分布特征一致时，确定所述可疑源点为该源点对应的伪目标辐射源点，得到伪目标辐射源点的定位结果。
[0030]
进一步地，所述多天线阵列因子模型构建模块通过获取多天线原始稀疏阵列的差相关阵列difference coarray，根据差相关阵列difference coarray的分布构建多天线阵列因子模型图。
[0031]
进一步地，所述目标辐射源的图像重建模块采用凸优化算法，获取重建后的目标辐射源的图像。
[0032]
进一步地，还包括图像处理模块，用于对伪目标辐射源点完全衰减或部分衰减。
[0033]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
[0034]
(1)本发明通过建立多天线阵列因子模型图，在阵列因子模型图上找到高度最高的一类旁瓣点，将其作为可疑源点，确定该类旁瓣点在阵列因子模型图上的位置信息和特征分布，在重建后的目标辐射源图像上，用实际的位置信息和模型图中获得的位置信息和分布特征进行对比，最终确定伪目标辐射源点在重建后的目标辐射源图像上的具体位置。相比现有的检测方式，本发明解决了因干扰源强度波动范围大产生的虚假源点的检测和处理问题，降低了在离散多目标的图像中辐射干扰源检测的虚警概率，提升了反演图像的可观性，有很高的应用价值。
[0035]
(2)进一步地，本发明在重建目标辐射源的图像时，采用重加权l1范数算法，能够增强辐射源的信号强度，同时抑制背景噪声，进一步提升检测与定位精度，可以应用于信号检测领域解决了邻近干扰源分辨率不足，位置聚集源无法检测与定位的问题。
[0036]
总而言之，本发明提升目标辐射源检测方法的稳健性，在强弱源混合的情况下，筛选出伪目标辐射源，提升检测的精度，具有很高的应用价值。
附图说明
[0037]
图1为本发明提供的基于阵列因子特征的伪目标辐射源判别方法示意图。
[0038]
图2为本发明实施例中原始稀疏阵列的结构。
[0039]
图3为本发明实施例中原始稀疏阵列的difference coarray示意图。
[0040]
图4为本发明实施例中冗余标记矩阵的元素值分布示意图。
[0041]
图5为本发明实施例中重建的目标辐射源的图像。
[0042]
图6为本发明实施例中阵列因子模型图。
[0043]
图7为本发明实施例中最高旁瓣位置示意图。
[0044]
图8为本发明实施例中的经过图像特征匹配处理后的实测目标辐射源检测与定位结果图。
具体实施方式
[0045]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0046]
如图1所示，本发明提供的基于阵列因子特征的伪目标辐射源判别方法，包括：
[0047]
重建目标辐射源的图像；
[0048]
遍历重建后的目标辐射源图像中的每个像素点，找到图像中每个源点的极大值及其所在位置，将极大值所在的位置视为该源点的位置(xi,yi)，构建每个源点到其它源点的距离矩阵d：
[0049][0050]
其中，d
ij
表示第i和第j个源点之间的坐标距离，i＝1,2,3......，j＝1,2,3......。
[0051]
建立多传感器系统的天线阵列因子模型：获取多天线原始稀疏阵列的差相关阵列difference coarray，根据差相关阵列difference coarray的分布构建天线阵列因子模型图；
[0052]
在阵列因子模型图上确定可疑源点位置信息：在阵列因子模型图上找到高度最高的旁瓣点，该高度最高的旁瓣点也是辐射源在阵列因子模型图上的相对强度最大的旁瓣点，将该旁瓣点作为可疑源点，确定可疑源点在该模型中的位置信息和分布特征；根据可疑源点的位置信息以及主瓣的位置信息，计算可疑源点到主瓣的距离；根据所需的精度，在满足一定的误差范围内的相对强度最大的旁瓣点可能为多个，记该类可疑源点到主瓣的距离为d
t
，t为正整数。
[0053]
在目标辐射源的图像上确定可疑源点：针对每个d
t
，t为正整数，对距离矩阵d中的每一列，即每个源点到其它源点的距离进行遍历，满足距离在d
t
的误差范围内的源点，标记为该源点的可疑源点，直到距离矩阵d中的每一列均分别与t个参考距离对比完，得到每个源点对应的可疑源点的定位结果；其中，根据所需精度，d
t
取在一定误差范围内的数值。
[0054]
确定伪目标辐射源点：统计每个源点对应的可疑源点的分布特征，当该分布特征与在阵列因子模型中的分布特征一致时，确定满足分布特征一致的这些可疑源点为伪目标辐射源点，得到伪目标辐射源点的定位结果。本实施例中，可疑源点的分布特征为6个点六边形分布。
[0055]
对伪目标辐射源点进行处理：单独计算每个源点的伪目标辐射源点的数量n，根据具体的精度，对n大于一定数值的伪目标辐射源点完全衰减，对n小于该数值的伪目标辐射源点部分衰减。本实施例中，当n≥3时，对该源点的伪源点进行完全衰减，当n＜3时，对该源点的伪源点部分衰减。
[0056]
具体的，本发明中，重建目标辐射源的图像的步骤包括：
[0057]
步骤s1：利用多传感器系统获取多天线原始稀疏阵列的协方差矩阵，对该协方差矩阵冗余平均和矢量化来构建原始稀疏阵列的差相关阵列difference coarray信号接收模型，具体如下：，
[0058]z′
＝d
′
(c)q+e
[0059]
式中d
′
(c)表示difference coarray流型，维度为nu×
k，nu表示阵列天线数量，k表示目标辐射源的个数，c表示k个目标辐射源来波方向余弦函数集合，e表示测量的噪声矩阵，其中，和e
′1分别表示协方差矩阵冗余平均之后的自相关输出功率和对应单位矢量，q表示目标辐射源的位置向量。
[0060]
步骤s2：根据原始稀疏阵列的差相关阵列difference coarray和目标辐射源空域稀疏特性构建过完备字典，将目标辐射源的来波方向划分为网络mg×
mg，其中，mg＞＞k，过完备字典为d
°
(c
°
)，表示划分的网格，将步骤s1中的信号接收模型拓展为基于difference coarray的目标辐射源稀疏重建模型：
[0061]z′
＝d
°
(c
°
)q+e
[0062]
步骤s3：采用重加权l1范数算法进行到达角估计求解上述模型，得到重建目标辐射源的图像。
[0063]
具体的，将上述稀疏重建问题凸松弛，可得：
[0064][0065]
式中，δ表示正则化参数。
[0066]
采用重加权l1范数模型对上述替换：
[0067][0068]
式中，为加权系数向量，维度为mg×
mg。
[0069]
其中，第k+1次解矢量第m个元素的计算权重为：
[0070][0071]
式中，表示第k次重加权解矢量的第m个元素，k为迭代次数，∈表示算法稳健性的正参数。
[0072]
采用快速收敛阈值收敛算法和邻域加重权策略对替换后的模型进行求解；具体的：
[0073]
将上述替换后的模型变换为无约束条件求解模型：
[0074][0075]
其中，和w
(k)
表示第k次求解过程的解和权重矩阵，μ表示正则化参数。
[0076]
利用软阈值收敛求解上述无约束条件求解模型：
[0077][0078]
其中，表示第k次重加权过程中第p+1次迭代求解矢量。w
(k)
＝diag(w
(k)
)表示对角化的权重矩阵，参数α由lipschitz常数l确定，即α＝1/l，表示以元素方式进行软阈值化的向量收缩算子。
[0079]
通过求解出的解，也即目标辐射源的位置向量q重建目标辐射源的图像。
[0080]
本发明中，通过采用加权系数w对位置向量q加权，能够保证使信号源的强度增强，抑制背景噪声。
[0081]
本发明中，根据多传感器系统的天线阵列排布确定天线阵列因子模型：
[0082][0083]
式中，c(u,v)为二维梳状函数在矩形窗中的一部分，(l,m)为余弦坐标，和为第r个和第s个天线的位置矢量。af表示阵列因子，λ表示辐射源的波长.
[0084]
本实施例中，对l和m在(-0.2,0.2)上分别均匀取400个点，代入上式计算，并绘图得到结果，得到天线阵列因子模型图。
[0085]
本发明首先利用多传感器系统的原始稀疏阵列的difference coarray获得具有更大规模的虚拟阵列，构造原始稀疏阵列协方差矩阵，通过对当前协方差矩阵冗余平均和矢量化来构建difference coarray信号接收模型；根据原始稀疏阵列的difference coarray和目标辐射源空域稀疏特性构建过完备字典，建立基于虚拟展阵列的目标辐射源稀疏重建模型；基于过完备字典的目标辐射源稀疏重建模型采用重加权l1范数算法进行到达角估计，对目标辐射源进行检测与定位，即得到重建目标辐射源的图像。
[0086]
当真实源点强度比较大，而图像中同时存在强度较弱源点时，需要降低判决门限，在强源的旁瓣位置会出现实际上不存在的虚假源点。根据测量亮温可视作真实目标的亮温与阵列因子的卷积的原理，建立多传感器系统的天线阵列因子模型。
[0087]
本实施例中，得到重建目标辐射源的图像后，根据微波辐射计天线的阵列因子特征，找到在反演图像(即重建目标辐射源的图像)中因真实源点强度过大而在旁瓣位置产生的一类虚假源点，然后在重建目标辐射源的图像上对该类源点做出处理。
[0088]
本实施例中，选取欧空局smos(soil moisture and ocean salinity)卫星搭载的“y”型阵列作为原始稀疏阵列，阵元数为n
′
＝69，其阵列结构与difference coarray(虚拟阵列)如图2和图3所示。
[0089]
根据difference coarray的结构冗余特性确定冗余标记矩阵，以标记当前协方差矩阵中的冗余采样数据，其矩阵维度为931
×
931，其元素分布如图4所示。
[0090]
对冗余平均之后的协方差矩阵进行矢量化，得到虚拟阵列信号接收模型，即difference coarray信号接收模型。
[0091]
根据虚拟信号接收模型和目标辐射源空域稀疏特性构建过完备字典，利用过完备字典得到目标辐射源稀疏重构模型。
[0092]
利用邻域重加权概念构建重加权l1范数的目标辐射源稀疏重构模型，采用快速迭代阈值收敛算法求解，检测与定位结果如图5所示，图中ζ、η为余弦坐标。
[0093]
利用smos卫星搭载的“y”型阵列建立的阵列因子模型图如图6所示，其中最高的一类旁瓣位置如图7所示。
[0094]
根据位置信息对定位结果图中可疑假阳性源点进行处理，处理后的实测目标辐射源检测与定位结果如图8所示。从图中可以看到，对可疑源点进行处理后，明显去除了因真实源点强度过大而在旁瓣位置产生的一类虚假源点，具有良好的检测与定位效果，提升了图像的可观性。
[0095]
在其它实施例中，也可以采用其它的凸优化算法来获取重建后的目标辐射源的图像。
[0096]
本发明提供的实施例中，获得的检测结果说明上述基于阵列因子特征的伪目标辐射源判别及图像处理方法具有较好的空间分辨率和检测精度性能，并能够解决强度动态大(即强源和弱源同时存在)的情形下强度较弱的目标辐射源检测与定位，在实际目标辐射源检测与定位应用中具有较高的鲁棒性。
[0097]
本发明还提供了一种基于阵列因子特征的伪目标辐射源判别系统，包括：
[0098]
目标辐射源的图像重建模块，用于重建目标辐射源的图像；
[0099]
距离矩阵构建模块，用于遍历重建图像中的每个像素点，确定重建图像中每个源点的极大值及其所在位置，将极大值所在的位置视为该源点的位置，构建每个源点到其它
源点的距离矩阵d；
[0100]
多天线阵列因子模型构建模块，用于建立多天线阵列因子模型图；
[0101]
可疑源点在模型图上的位置确认模块，用于在阵列因子模型图上确定在一定误差范围内的相对强度最大的旁瓣点，将旁瓣点作为可疑源点，确定可疑源点在模型中的位置信息和分布特征；并根据位置信息以及主瓣在模型中的位置信息计算可疑源点到主瓣的距离d
t
，t为正整数；
[0102]
可疑源点在重建图像上的位置确认模块，用于在重建图像中，针对每个d
t
，遍历距离矩阵d中的每一列，标记距离在d
t
的误差范围内的所有源点为该源点的可疑源点；
[0103]
伪目标辐射源点确定模块，统计每个源点对应的可疑源点的分布特征，当分布特征与在阵列因子模型中的分布特征一致时，确定可疑源点为该源点对应的伪目标辐射源点，得到伪目标辐射源点的定位结果。
[0104]
具体的，多天线阵列因子模型构建模块通过获取多天线原始稀疏阵列的差相关阵列difference coarray，根据差相关阵列difference coarray的分布构建多天线阵列因子模型图。
[0105]
具体的，目标辐射源的图像重建模块采用凸优化算法，获取重建后的目标辐射源的图像。
[0106]
目标辐射源的图像重建模重建目标辐射源的图像的步骤包括：
[0107]
步骤s1、获取多天线原始稀疏阵列的协方差矩阵，对协方差矩阵冗余平均和矢量化来构建原始稀疏阵列的差相关阵列difference coarray信号接收模型；
[0108]
步骤s2、以原始稀疏阵列的差相关阵列difference coarray和目标辐射源空域稀疏特性为约束条件，将目标辐射源的来波方向划分为网络，得到过完备字典；
[0109]
步骤s3、基于过完备字典，将步骤s1中的模型拓展为基于difference coarray的目标辐射源稀疏重建模型；
[0110]
步骤s4、采用重加权l1范数算法求解上述模型，得到重建目标辐射源的图像。
[0111]
具体的，还包括图像处理模块，用于对伪目标辐射源点完全衰减或部分衰减。
[0112]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。